NLPIR 500万条twitter内容语料库 – NLPIR自然语言处理与信息检索共享平台

自然语言处理与信息检索共享平台 自然语言处理与信息检索共享平台

NLPIR 500万条twitter内容语料库

NLPIR twitter内容语料库说明

1.NLPIR twitter内容语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士,通过公开采集抽取从twitter中获得。为了推进微博计算的研究,现通过自然语言处理与信息检索共享平台(127.0.0.1/wordpress)予以公开共享其中的500万条数据(目前已有数据接近1亿,已经剔除了大量的冗余与机器信息)

2.本语料库在公开过程中,已经最大限度地采用技术手段屏蔽了用户真实姓名和url,如果涉及到的用户需要全面保护个人隐私的,可以Email给张华平博士kevinzhang@bit.edu.cn予以删除,对给您造成的困扰表示抱歉,并希望谅解;

3.只适用于科研教学用途,不得作为商用;引用本语料库,恭请在软件或者论文等成果特定位置表明出处为:NLPIR twitter内容语料库,出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。

4.字段格式说明:

语料为mongodb导出的json格式,大约500万条Twitter数据(其中过滤了部分敏感的Twitter状态,占7%左右),每行为一个json对象,对象中一共有三个字段,分别是



user_id      用户的id,我们对语料包中Twitter的用户名进行隐藏操作,取而代之的则是一个标记用户的int值id

text         这条Twitter状态的内容

created_at   此条Twitter状态所发布的时间,为距离格林尼治时间1970年1月1日0时开始所经过的秒数



可以运行以下命令,直接使用mongodb自带的导入程序导入到mongodb

mongoimport -d <数据库名> -c tweets tweets.utf8



下载地址:http://yunpan.cn/cfSCPQDGvpR8r   (提取码,请关注微博 NLPIR官方微博 http://weibo.com/bigdatasearch,私信获取。)



展示:



You May Also Like

About the Author: nlpir

发表评论